AI时代，我们的任务不应沉溺于与 AI 聊天 - 🤔 从“对话式编程”迈向“数字软件工厂”

2026年，AI辅助开发的正确打开方式

在 2026 年的今天，研发工程师已经意识到，AI 辅助开发不应只是零散的提示词，而是一套 有标准、有性能、有角色、有流程 的系统工程 。通过 OpenSpec、Everything Claude Code (ECC)、gstack 以及新增的 superpowers 的深度协同，我们可以构建起一套现代化的"数字软件工厂"，让研发协作工作流与状态流转更加符合项目的确定性需求

一、核心概念：先对齐术语，避免鸡同鸭讲

要驾驭这套工厂，首先需要对齐底层的专业概念。这些是确保AI Agent在高复杂度任务下不崩的基石：

1. 规格驱动开发 (Spec-driven Development, SDD) ：工程方法论，强调在写代码前，人类与AI必须在"规格工件"上达成共识。把模糊意图转化为语义协议，避免后期返工。
2. 语义真相源 (Source of Truth) ：项目中的 specs/ 目录。系统当前行为的唯一事实，所有AI推理必须以该静态定义为锚点，而非易失的对话记录。
3. 增量规格 (Delta Specs) ：采用 ADDED、MODIFIED、REMOVED 标签定义的变更描述。规格状态机的输入，仅在归档时原子化合并至真相源。
4. 代理宿主性能优化 (Agent Harness Performance Optimization) ：对AI Agent运行环境的系统性增强。通过Hooks管理AI在不同宿主（Claude Code, Cursor等）下的执行效能。
5. 上下文卫生 (Context Hygiene) ：通过策略性压缩（Compact）和清理（Clear）主动维护200k tokens的上下文窗口。防止噪声堆积导致的推理精度下降，这个在大项目里特别关键。

1. 内存持久化 (Memory Persistence) ：利用自动化脚本在会话生命周期的边界（Session Start/Stop）保存并回载状态摘要（State Summary）。实现逻辑上的跨会话连续开发，省得每次重新交代背景。
2. 微任务原子化 (Task Atomization) ：由superpowers引入，将设计分解为每项仅需2-5分钟、包含确切路径与代码逻辑的极致颗粒度任务。确保执行路径零幻觉，AI不会自己发挥。

1. 红-绿-重构循环 (RED-GREEN-REFACTOR) ：superpowers强制执行的TDD核心。先编写失败测试，再实现最少功能，严禁在没有测试证据的情况下提交代码。刚开始团队会有抵触，跑顺了效率反而更高。

RED（红）：编写一个必然失败的测试用例。 GREEN（绿）：编写实现该功能所需的最小化代码，使测试通过。 REFACTOR（重构）：在测试保护下优化代码结构。 强制约束：superpowers 会删除任何在编写测试之前生成的业务代码，以确保测试的驱动地位。

1. 新鲜子代理 (Fresh Subagent) ：在subagent-driven-development模式下，为每个微任务启动的上下文纯净的独立执行实体。通过两阶段评审确保规格合规与代码质量。

二、四位一体：研发资产的立体维度

这四个工具不是竞争关系，而是分别解决了研发过程中的不同维度：

四位一体架构协同关系：

1+------------------------------------------------------------------------+
2|                        研发指挥中心 (Managerial Layer)                    |
3|      [gstack] CEO/架构师决策  <------>  [OpenSpec] 规格契约/真相源         |
4+-----------------------^------------------------^-----------------------+
5                        |                        |
6+-----------------------v------------------------v-----------------------+
7|                        工业化执行层 (Production Layer)                    |
8|      [ECC] 性能优化/内存持久化  <------>  [superpowers] TDD约束/微任务拆解   |
9+------------------------------------------------------------------------+
10|  [Agent Harness] Claude Code / Cursor / Codex / OpenCode / Gemini CLI  |
11+------------------------------------------------------------------------+
12

三、确定性执行模型：核心工作流

经过多个项目的打磨，我总结出以下标准执行路径：

战略重构与角色博弈 (gstack: Strategy) ：调用/office-hours挑战需求原始构想。通过强制性问题重构产品逻辑，并由/plan-ceo-review锁定最佳方案。这一步能避免后期大返工。

规格锁定与变更隔离 (OpenSpec: Propose) ：执行/opsx:propose，在changes/下创建隔离区，生成proposal.md、design.md等规格文件。规格锁定后，开发有了"法律契约"。

原子化拆解与TDD规划 (superpowers: Planning) ：激活writing-plans技能，基于规格将工作拆解为颗粒度极细（2-5分钟）的微任务，并预定义测试逻辑。拆得越细，AI执行越稳。

状态同步与高能实现 (ECC & superpowers: Execution) ：

• 在编码前运行 /opsx:sync 刷新 AI 认知，通过ECC的Memory Persistence Hooks自动找回开发上下文。
• 启用superpowers的subagent-driven-development模式，派遣fresh subagent自动执行计划。
• 强制执行test-driven-development，若在写测试前写功能代码，系统会自动物理删除该代码。这条规则刚开始团队会有怨言，但代码质量提升是肉眼可见的。

/sync 强制 AI 重新扫描项目中的 specs/（真相源）和 changes/（当前变更工件），确保 AI 的内部状态与最新的设计决策完全一致，避免在错误的认知状态中构建功能

在 superpowers 框架中，subagent-driven-development 与 executing-plans 是在“原子计划（writing-plans）”完成后可选的两种不同的执行路径。它们的核心差别在于自治程度、审查机制以及人类参与的频次。 以下是两者的详细对比：

1. 核心机制的差异

• subagent-driven-development (子代理驱动开发)： 工作模式：它为计划中的每一个工程任务派发一个独立的、全新的子代理（Subagent）。 自治性：设计目标是实现长时间的高度自治。在理想情况下，AI 可以连续自主工作数小时而不偏离既定计划。 上下文管理：由于每个任务使用独立子代理，有效地隔离了不同任务间的上下文干扰。
• executing-plans (执行计划)： 工作模式：采用**批量执行（Batch execution）**的方式处理任务。 交互性：强调在关键节点设置人类检查点（Human checkpoints）。AI 会在执行过程中停下来请求人类的确认或反馈。

1. 审查与质量控制的差异 subagent-driven-development 引入了严苛的两阶段自动化审查：

• 规格合规性审查：首先检查产出是否完全符合 OpenSpec 定义的规格要求。
• 代码质量审查：随后评估代码的健壮性、可维护性及其是否符合团队标准。 executing-plans 则更依赖于检查点验证，通过人类的即时介入来确保每一批次任务的正确性。

1. 应用场景建议 选择 subagent-driven-development 当你： 希望 AI 能够进行快速迭代且无需人类时刻盯盘。 任务之间独立性较强，适合分配给不同的专业子角色处理。 需要极高的质量保证（利用其自动化的两阶段审查）。 选择 executing-plans 当你： 处理的是高风险或不确定性较高的任务，需要频繁的人工干预和微调。 更倾向于以批量而非分散派发的形式来推进项目进度。

总结： subagent-driven-development 是为了彻底解放人类劳动力、利用子代理实现“软件生产自动化”而设计的；而 executing-plans 则是为了在人类可控的节奏下，更高效地批量完成既定任务。

自动化QA与安全闭环 (gstack + ECC: Verification) ：运行gstack的/qa进行真机验证。运行ECC的/security-scan (AgentShield)进行102条安全规则扫描。

状态归约与知识进化 (OpenSpec + ECC: Convergence) ：执行/opsx:archive更新真相源。

Note1: /evolve 并不属于 everything-claude-code (ECC) 的核心 Skill 能力，而是依靠以下机制 ：

• 技能创建器 (/skill-create)：该命令通过分析本地 Git 历史来提取模式，并自动生成 SKILL.md 文件。
• 持续学习系统 (continuous-learning-v2)：这是一个基于"直觉"的学习系统，能自动从会话中学习并固化你的编码习惯。

Note2: OpenSpec 的默认仅包含最基础的四个指令 ：propose（提议）、explore（探索）、apply（执行）和 archive（归档）。 以下指令属于扩展工作流（Expanded Workflow），在默认情况下是不开启的，必须通过 openspec config profile手动选择并执行 openspec update 才能启用

• /opsx:sync - 状态同步
• /opsx:onboard - 项目初始化
• /opsx:verify - 规格验证
• /opsx:diff - 变更对比

推荐协作执行工作流：

1[Think]           [Plan]             [Build]            [Verify]          [Ship]
2gstack        ->  OpenSpec       ->  superpowers    ->  gstack / ECC  ->  OpenSpec
3/office-hours     /opsx:propose      writing-plans      /qa               /opsx:archive
4                  /opsx:sync         subagent-driven-   /security-scan    /skill-create
5                                     development (TDD)                    (知识沉淀)
6

四、实战应用场景：重构高并发金融转账模块

说个具体的case，看看这套打法怎么落地：

场景A - 存量对齐 ：首先运行OpenSpec的/opsx:onboard（需要先启用扩展工作流）建立初步specs/。随后用ECC的/skill-create提取团队以往处理并发死锁的工程本能，沉淀为可复用技能。

场景B - 多平台协同 ：在Cursor环境下开发，利用 ECC 确保跨工具的记忆统一。Cursor和Claude Code之间切换，上下文不会丢，这点在大型项目里特别重要。

场景C - 严苛质量保障 ：针对关键转账逻辑，启动superpowers的systematic-debugging技能进行四阶段根因分析。确保每个转账失败路径均通过TDD验证方可进入PR，线上故障率直接归零。

systematic-debugging 侧重于流程和逻辑，而非特定语言的语法。它强制 AI 代理遵循**“四阶段根因分析法”** ：

• 根因追踪 (Root-cause-tracing)：追踪数据流向以定位故障起点。
• 防御性深度分析 (Defense-in-depth)：评估修复对系统的影响并防止回归。
• 基于条件的等待技术 (Condition-based-waiting)：解决异步或并发导致的竞态问题。
• 验证与闭环：确保问题被彻底根除

五、工具对比：什么场景用什么

个人认为常见的误区 ：不要指望用一个工具解决所有问题。有人试图只用superpowers做架构决策，结果AI因为没有足够的上下文做出了一堆错误判断。gstack的/office-hours才是干这个的。

六、从管理"对话"到管理"资产"

AI时代，研发工程师的任务变了。不再是管理跟AI的"对话"，而是管理工件（Artifacts）的状态：

管理规格 (OpenSpec) ：提供法律契约，确保所有实现有据可查。

优化引擎 (ECC) ：优化生产能效比，实现跨工具链知识沉淀。

指挥团队 (gstack) ：注入管理决策，让AI进化为能够自我真机测试的虚拟专家团队。

强制纪律 (superpowers) ：提供底层工程伦理，通过fresh subagent与TDD确保输出健壮、可测试且无上下文污染。

工程建议：

1. 在根目录维护openspec init
2. 启用OpenSpec扩展工作流（openspec config profile + openspec update）
3. 配合ECC的standard配置
4. 在superpowers框架下通过subagent-driven-development驱动执行
5. 知识沉淀用/skill-create和continuous-learning-v2

这不仅是工具的堆砌，更是软件工程资产的数字化转生。

以上是我实践的工程化经验，欢迎技术交流。

《AI时代，我们的任务不应沉溺于与 AI 聊天 - 🤔 从“对话式编程”迈向“数字软件工厂”》 是转载文章，点击查看原文。